时间序列的鲁棒形态表征方法.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812025⁃02⁃10

计算机应用,2025,45(2):436-443CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）02-0436-08DOI:10.11772/j.issn.1001-9081.2024020163

时间序列的鲁棒形态表征方法

1，21，21，2，3*

张倩婷，胡丽莹，陈黎飞

（1.福建师范大学计算机与网络空间安全学院，福州350117；2.数字福建环境监测物联网实验室（福建师范大学），福州350117；

3.福建省应用数学中心（福建师范大学），福州350117）

（∗通信作者电子邮箱clfei@fjnu.edu.cn）

摘要：鉴于时间序列数据在各个领域的广泛应用，对这些数据的可辨识特征的挖掘和表征至关重要。受数据采

集环境和采集设备的影响，许多应用领域的时序数据都存在高噪声的特点，这对数据表征方法的鲁棒性提出了很高

的要求。因此，提出一种时间序列的鲁棒形态表征方法（TRS）。该方法采用关键形态（KS）的特征提取方法，在保留

可解释性的同时减少噪声的影响，并通过位置距离度量对时间序列进行表征，从而提高整个方法的鲁棒性。在受噪

声干扰的时间序列数据上的实验结果表明，TRS所提取的特征在分类上显著均优于现有的方法，与同样基于形态模

式提取特征的深度学习模型——对抗动态Shapelet网络（ADSN）相比，平均正确率高出2.1个百分点。可见，TRS提取

的特征集更有代表性和鲁棒性。

关键词：时间序列；关键形态；噪声；鲁棒性；表征

中图分类号：TP301.6文献标志码：A

Robustshapeletrepresentationmethodfortimeseries

ZHANGQianting1，2，HULiying1，2，CHENLifei1，2，3*

（1.CollegeofComputerandCyberSecurity，FujianNormalUniversity，FuzhouFujian350117，China；

2.DigitalFujianInternet⁃of⁃ThingsLaboratoryofEnvironmentalMonitoring（FujianNormalUniversity），FuzhouFujian350117，China；

3.CenterforAppliedMathematicsofFujianProvince（FujianNormalUniversity），FuzhouFujian350117，China）

Abstract:Inviewofthewideapplicationoftimeseriesdatainvariousfields，theminingandrepresentationof

identifiablefeaturesofthedat